MIT 研究者发现 Transformer 适用于解决经验贝叶斯均值估计问题，并证明其性能优于经典估计方法，运行速度也快近 100 倍。
Transformer 能够学习到任意精度的 clipped Robbins 估计器和非参数最大似然估计器，并且在合成数据和真实数据实验中表现出色。
研究还表明，Transformer 具备长度泛化能力，在未见过的先验分布上仍能实现低后悔值，且在速度方面大幅领先传统方法。
MIT 研究者发现 Transformer 适用于解决经验贝叶斯均值估计问题，并证明其性能优于经典估计方法，运行速度也快近 100 倍。
Transformer 能够学习到任意精度的 clipped Robbins 估计器和非参数最大似然估计器，并且在合成数据和真实数据实验中表现出色。
研究还表明，Transformer 具备长度泛化能力，在未见过的先验分布上仍能实现低后悔值，且在速度方面大幅领先传统方法。
